BÀI tập lớn đề bài NGHIÊN cứu THUẬT TOÁN ICA và ỨNG DỤNG ước LƯỢNG độ sâu ẢNH mặt NGƯỜI

  BỘ MÔN LÝ THUYẾT MẠCH ĐO LƯỜNG MÔN HỌC KỸ THUẬT XỬ LÝ ẢNH BÀI TẬP LỚN   ĐỀ BÀI: NGHIÊN CỨU THUẬT TOÁN ICA VÀ ỨNG DỤNG ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI Giáo viên hướng dẫn : Trung tá, PGS.TS Phạm Minh Nghĩa  Học viên thực : Đại úy Ngô Trường Sơn  Lớp : Kỹ thuật Điện tử K33  Hà Nội, tháng 11 năm 2022   MỤC LỤC I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT ANALYSIS) ANALYSIS) 11 1.1 Giới thiệu ICA ICA .1 1.2 Phân tích thành phần độc lập (ICA) (ICA) .3 1.3 Sự độc lập thống kê kê 1.4 Ước lượng ICA ICA .5 1.5 Tiền xử lý ICA ICA .9 .9 II ỨNG DỤNG CỦA ICA VÀO ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI NGƯỜI 12 .12 2.1 Xây dựng mơ hình cICA cICA 12 12 2.2 Xây dựng mơ hình khởi tạo ma trận hủy trộn 15 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện .18 2.4 Kết thực 19 19   DANH MỤC HÌNH VẼ Hình 1 Tín hiệu gốc gốc Hình Tín hiệu sau trộn trộn .2 Hình Tín hiệu phục hồi hồi .2 Hình Phân bố siêu Gauss Gauss Hình Mơ hình CANDIDE-3 với 113 đỉnh 168 bề mặt tam giác 12 Hình 2 Vị trí 22 điểm đặc trưng đánh dấu sở liệu .17 Hình So sánh tín hiệu tham chiếu dựa mơ hình CANDIDE giá trị độ sâu thực cho khuôn mặt riêng biệt biệt 17 .17 Hình Lưu đồ phương pháp tích hợp mơ hình hình 18 18 Hình Hình ảnh khn mặt đối tượng tư thế khác sở liệu Bosphorus Bosphorus .20 20 Hình So sánh kết hoạt động FastICA cICA mối tương quan Các điểm đánh dấu đại diện cho mối tương quan trung bình đường thẳng đứng qua điểm đánh dấu thể phạm vi hệ số tương quan tương ứng 21 21 Hình So sánh hoạt động FastICA có khơng sử dụng ma trận không bansánh đầu đầu 22 Hình 2.trộn So hiệu suất gICA cICA đối với 22 đối tượng khuôn mặt khác 22 .22 Hình So sánh hoạt động gICA sử dụng không sử dụng thao tác làm trắng trắng 23 23 Hình 10 So sánh hiệu suất thuật toán SM cICA .23 Hình 11 Các đường cong lặp lại Đối tượng 1, 6, 11, 16, 21 26  bằng cách sử dụng mơ hình phương pháp tích tích hợp hợp 24 24 Hình 12 So sánh hiệu suất thuật toán cICA cICA_MI 25 cICA_MI 25 Hình 13 Giá trị độ sâu thực giá trị độ sâu ước lượng đặc điểm khn mặt có sở liệu Bosphorus Bosphorus 25 25 Hình 14 So sánh hoạt động thuật tốn cICA dựa mơ hình ICA q mức bình thường thường 27 27 Hình 15 So sánh hệ số tương quan c (MZb, Mzc) c (Mxfn Mz) cho 30 đối tượng tượng 27 27 Hình 16 So sánh hệ số tương quan thu cách sử dụng thống kê bậc khác với phương pháp tích hợp mơ hình cho 30 đối tượng 28 Hình 17 Hệ số tương quan Đối tượng 1,6, 11,16,21 26 thu cách sử dụng phương pháp tích hợp mơ hình với số lượng mẫu khác .29   DANH MỤC BẢNG BIỂU Bảng Hệ số tương quan gia trị độ sâu thực giá trị ước lượng thu với hình ảnh khuôn mặt người khác cho FastICA, gICA, SM, cICA cICA 244 Bảng 2 Gía trị trung bình  μ và độ lệch chuẩn σ  thu phương pháp cMzb zb , Mzc Mzc  của 105 đối tượng 30 hệ số lương quan cM   I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT ANALYSIS) 1.1 Giới thiệu ICA Independent Component Analysis (phân tích thành phần độc lập) là lập) là phương pháp thống kê xây dựng để tách rời tín hiệu nhiều chiều thành thành phần tín hiệu độc lập ẩn sâu bên liệu Kỹ thuật đòi hỏi  phải đặt giả thuyết tồn nguồn tín hiệu bên nongaussianity độc lập thống kê đơi Thuật tốn ICA có nhiều ứng dụng rộng rãi nhiều toán khác xử lý tín hiệu, kinh tế học, sinh tin học,… Ví dụ phịng mà có người nói chuyện với Bạn dùng micro, đặt vị trí khác Các microphone thu tín hiệu đồng thời Ta phải xác định x1(t), x2(t) x3(t) với x1 ,x2, x3 cường độ âm thanh, t thời gian Chúng ta biểu diễn hệ phương trình tuyến tính  x ( t )= a 11 s + a12 s 2+ a13 s3  x ( t )= a21 s1 + a22 s 2+ a23 s  x ( t )= a31 s1 + a32 s 2+ a33 s3 Trong a 11 , a12 ,a 13 , a21 , a22 , a 23 , a31 , a32 , a33   số phụ thuộc vào khoảng cách từ microphone microphone đến người nói Điều tiện lợi việc xấp xỉ nguồn tín hiệu gốc (tiếng nói người phịng ) s1 ( t ) , s2 ( t ) s3 ( t ) từ tín hiệu thu  x ( t ) , x 2 (t ) , x 3 ( t ) Ví dụ gọi tốn cocktail-party Theo thời gian ta bỏ qua thời gian trễ nhiễu thêm vào từ mơ hình trộn đơn giản  Hình 1 Tín hiệu gốc   hiệu ệu sau trộn  Hình Tín hi Vấn đề cần khơi phục lại tín hiệu gốc như hình 1.1 từ tín hiệu trộn hình 1.2  Nếu biết hệ số a ij, giải hệ phương trình tuyến tính theo phương pháp thơng thường tìm đươc tín hiệu ban đầu Tuy nhiên ta hệ số a ij do tốn trở nên phức tạp Kỹ thuật phân tích thành phần độc lập ICA xấp xỉ a ij dựa thông tin độc lập tín hiệu Điều cho phép chia tín hiệu gốc từ tín hiệu trộn  x ( t ) , x 2 (t ) , x 3 ( t )  Hình Tín hiệu phục hồi   1.2 Phân tích thành phần độc lập (ICA) Để định nghĩa ICA ta dùng mơ hình thống kê “làm chậm biến số””latent varialbe” Giả sử, ta quan sát n tổ hợp tuyến tính  x , x , x ,… x n  n thành phần độc lập  x j= a j1 s + a j s2 + a j s3 + … + a jn s n ( 1.1 ) Chúng ta bỏ qua số thời gian t  (trong  (trong mơ hình ICA), ta giả sử tổ hợp  x j ứng với thành phần độc lập sk  là biến ngẫu nhiên, thay cho tín hiệu theo theo thời thời gian gian thíc thíchh hợp hợp Giá trị trị quan quan  x j (t ), tín hiệu thu từ microphone toán cocktail-party, mẫu biến số ngẫu nhiên Khơng tính tổng qt, ta giả sử biến trộn lẫn thành phần độc lập có giá trị kỳ vọng Nếu thực tế khơng đúng, đưa biến số quan sát  x j về gía trị trung tâm cách trừ với kỳ vọng Điều thuận tiện dùng ký hiệu ma trận vector thay cho dạng tổng công thức trước Điều cho thấy với vector ngẫu nhiên  x , thành phần tổ hợp  x , x , x ,… x n  tương tự vector ngẫu nhiên s  với thành phần s , s , s3 , … s n  Chúng ta quan sát ma trận A với phần tử a ij Tất τ   x   ,là hàng, vectorsửđược hiểuma vector cột;mơdohình  xhỗn chuyển vị vector dụngđược ký hiệu trận vector, hợp viết lại là:  x = A s ( 1.2 ) Điều có nghĩa mơ hình a j có thể viết lại sau n  X = a  s ( 1.3 ) ∑ = i i i Mơ hình thống kê (1.2) gọi phân tích thành phần độc lập, hay mơ hình ICA Mơ hình ICA mơ tả cách thức tạo liệu quan sát trình trộn đối tượng si Các đối tượng độc lập biến số ẩn, có nghĩa ta khơng thể quan sát chúng cách trực tiếp Vì ma trận trộn xem làchúng khôngtabiết đượckhởi đầu vector ngẫu  x ,  A ssát nhiênnhư phải Tất dùngcả x để dùng x  để xấpgìxỉ tacảquan Điểm ICA thừa nhận đơn giản thành phần si là độc lập thống kê Tiếp theo phải thừa nhận thành phần độc lập phải có phân bố khơng Gauss Tuy nhiên, mơ hình không cần biết phân bố Một cách đơn giản, cần giả thiết ma trận trộn chưa biết ma trận vuông Sau ta xấp xỉ ma trận  A, tính ma trận ngược (là W ), thành  phần độc lập tính tính cơng thức: S =W x ( 1.4 ) ICA tương tự phương pháp “phân chia nguồn mù” (BBS) phân chia tín hiệu chưa biết.”Nguồn” có nghĩa tín hiệu gốc, thành phần độc lập, tương tự tốn cocktail-party.”Mù” có nnghĩa ghĩa  biết ICA phương pháp ứng dụng rộng rãi việc trình bày trình phân chia nguồn mù   Trong nhiều ứng dụng, giả thiết có thêm nhiễu q trình đo đạc, có nghĩa phải thêm thành phần nhiễu vào mơ hình tính tốn Để đơn giản đơi ta bỏ qua thành phần nhiễu *Các điểm khơng xác định ICA: Trong mơ hình ICA (1.2), thấy điểm khơng xác định sau: - Chúng ta xác định thành phần biến (số cột ma trận tương quan) thành phần độc lập Lý S   A đều không  biết, phép nhân vô hướng nguồn si có thể khử cách chia cho cột tương ứng a i của  A với hướng (1.3) Hệ quả, phải hiệu chỉnh biên độ thành phần độc lập; ta biết, ICA biến ngẫu nhiên, cách đơn giản ta giả sử nguồn có thành phần biến số đơn vị Sau ma trận  A sẽ đáp ứng với phương pháp giải ICA để khắc phục hạn chế Ta loại  bỏ dấu hiệu bất định này: ta nhân thành phần độc lập với -1  -1  mà khơng làm ảnh hưởng đến mơ hình tính Trong hầu hết ứng dụng yếu tố dấu nghĩa Chúng ta khơng thể xác định thứ tự thành phần độc lập Lý tính S trong  A đều biết, có thểthành thay đổi tùyđộc ý trật  phép côngkhông thức (1.3), (1được 3), cóchúng thể gọitabất phần lập tự nàocủa thành phần Ma trận hoán vị  P và phép biến đổi ngược thay công thức  x = A P−1 PS Các phần tử  PS  là thành phần  biến độc lập gốc s j, theo thứ tự khác Ma trận  A P−1 được biết ma trận trộn chưa biết dùng để giải toán ICA 1.3 Sự độc lập thống kê 1.3.1 Bất tương quan Các phân bố xác suất giả sử có kỳ vọng Nếu khơng phải ta trừ phân bố với kỳ vọng nó, qui tâm (centering) Để ý hiệp phương sai (covariance) tương quan (correlation) kỳ vọng Đối với vector ngẫu nhiên  x  ma trận hiệp phương sai là: τ  C  x x = E {( x −m x ) (  xx − m x ) } ( 1.5 ) Trong E {.} tốn tử lấy kỳ vọng, m x vector trung bình Hiệp phương sai hai vector ngẫu nhiên x 1,  x 2 (có kỳ vọng  bằng không) là: C  x  x = E { x  x 1 x } (1.6 ) Khi C  x  x =0  hai vector bất tương quan (uncorrelated) Đối với vector ngẫu nhiên  x  khi thành phần  x i của bất tương quan thì: C  x x x = D ( 1.7 ) Trong  D   ma trận chéo n×n n×n,, với phương sai thành phần nằm đường chéo 1.3.2 Độc lập thống kê   17 sở liệu  Hình 2 Vị trí 22 điểm đặc trưng đánh dấu Hình 2.3 cho thấy tín hiệu tham chiếu bốn điểm đối tượng (bs000-bs003) thu cách sử dụng mơ hình CANDIDE giá trị độ sâu thực Có thể thấy tín hiệu tham chiếu thu từ mơ hình CANDIDE trùng với tín hiệu thu giá trị độ sâu thực cho hầu hết điểm đặc trưng khn mặt Do đó, điều cho thấy việc sử dụng mơ hình CANDIDE để xây dựng tín hiệu tham chiếu khả thi tín hiệu tham chiếu dựa mơ hình  Hình So sánh tín hình CANDIDE giá trị độ sâu thực cho khuôn mặt riêng biệt   18 Cần tín hiệu nhị phân giá trị độ sâu thực thể Hình 2.3 sử dụng để thể hiệu phương pháp xây dựng tín hiệu tham chiếu Chúng khơng sử dụng ước lượng giá trị độ sâu tính tốn số hiệu suất Với tín hiệu tham chiếu r  được dẫn xuất giải thích trước đây, ma trận khơng trộn ban đầu tính sau: ξ w 0=q r ( 2.25) q ξ là nghịch đảo tổng quát Moore-Penrose q 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Một hình ảnh khn mặt khơng khơng nhìn trực diện đủ để đánh lừa cấu trúc mơ hình cICA Khi có nhiều hình ảnh khn mặt khơng nhìn trực diện,  phương pháp tích hợp mơ hình sử dụng để cải thiện độ xác ước lượng độ sâu  Hình Lưu đồ phương pháp tích hợp mơ hình Hình 2.4 cho thấy sơ đồ phương pháp tích hợp mơ hình Đối với hình ảnh khn mặt khơng trực diện, đặc điểm hình dạng q i được kết hợp với  z c  để tạo thành đầu vào Q của thuật tốn cICA Sau đó, tín hiệu độ sâu  z i có thể xác định thuật tốn cICA Giá trị trung bình  z i  tính sau:  N   1 i  z ( 2.26 )  zˇ =  N  i =1  ∑ sử dụng làm tín hiệu hỗn hợp để thay  zc Việc lặp lại thực cho đếnpháp đạt đến sốralầnnhư lặpsau: tối đa xác định trước Các bước cụ thể phương đưa - Bước 1: Đặt số lần lặp tối đa ( N iter )   19 - Bước 2: Khởi tạo giá trị độ sâu  z c  thu tín tín hiệu hiệu tham chiếu  bằng cách sử dụng giá trị độ sâu 22 điểm đặc trưng cung cấp mơ hình CANDIDE (các điểm đặc trưng có vị trí với 22 điểm đặc trưng thể Hình 2.2) - Bước 3: Đối với hình ảnh khn mặt đào tạo, đặc điểm hình dạng điểm đặc trưng  z c  được kết hợp để tạo thành thành đầu vào mơ hình cICA - Bước 4: Tính tốn ma trận khơng trộn ban đầu theo (2.25), (2.25), cập nhật ma trận không trộn theo (2.17) tính tốn giá trị độ sâu ước tính y cách sử dụng (2.11) - Bước 5: Tính tốn giá trị trung bình tương ứng độ sâu điểm đặc trưng ước lượng cho tất hình ảnh đào tạo, sau thay  z c Các bước 3-5 lặp lại số lần lặp đạt đến giá trị lớn xác định trước  N iter 2.4 Kết thực 2.4.1 Dữ liệu thử nghiệm phương pháp liên quan so sánh Thực đánh giá phương pháp sở liệu Bosphorus, sở liệu khuôn mặt 3-D bao gồm biểu cảm phong phú,  biến thể có hệ thống tư kiểu ăn khớp khác Một ưu điểm bật sử dụng sở liệu có sẵn tọa độ 3-D tập hợp điểm đặc trưng khuôn mặt xác định trước Nói cách khác, giá trị ước lượng độ sâu cấu trúc mặt 3-D tái tạo so sánh với giá trị thực mặt Do đó, hiệu suất thuật tốn tái tạo 3-D đánh giá so sánh xác Tọa độ 2-D tương ứng điểm đặc trưng cho tất tư sở liệu cung cấp Nói chung, điểm đặc trưng tương ứng cho chế độ xem 2-D tư tùy ý hình thành thu điểm đặc trưng thông qua việc sử dụng điểm đánh dấu trình thu nhận hình ảnh cách sử dụng thuật tốn phát điểmlàđặc mơnhìn hìnhchính cICA, tín hiệu nguồn đượchiện giả định cácđiểm giá trịkhuôn độ sâumặt củanào hìnhTrong ảnh mặt diện Do đó, để hình thành tín hiệu tham chiếu, cần xác định vị trí 22 điểm đặc trưng mơ hình CANDIDE (như Hình 2.2), tương ứng với 22 điểm đặc trưng đánh dấu sở liệu Bosphorus (như Hình 2.3) Đối với sở liệu này, chủ yếu xử lý hình ảnh có thay đổi tư Làm để đáp ứng với thay đổi biểu hiện, thay đổi độ chiếu sáng ăn khớp Tất mô thực môi trường MATLAB Để đánh giá hiệu quả, phương pháp đề xuất so sánh với FastICA, glCA, phương pháp tái tạo khuôn mặt 3-D dựa biến đổi tương đồng (SM) Để làm cho biểu thức thuận tiện hơn, phương pháp tích hợp mơ hình sử dụng cICA ký hiệu cICA_MI 2.4.2 Kết thử nghiệm Cơ sở liệu Bosphorus   20 30 đối tượng từ sở liệu Bosphorus sử dụng thí nghiệm tượng tư khác  Hình Hình ảnh khn mặt đối tượng sở liệu Bosphorus Hình 2.5 cho thấy hình ảnh khn mặt đối tượng sở liệu Lưu ý chọn hình ảnh có điểm đặc trưng khơng nhìn thấy làm hình ảnh đào tạo, khơng thể khôi phục giá trị độ sâu tương ứng Do đó, có năm hình ảnh khn mặt khơng nhìn trực diện, PR_D, PR_SD, PR_SU, PR_U YR_R10 sử dụng để thực mơ hình thử nghiệm Hệ số tính chí củaquan Pearson sửmức dụngđộđểtương đo mối tương quan haitương biến quan Đây làtuyến tiêu trọngđược để đo tự tín hiệu thực tín hiệu ước lượng tương ứng Do đó, hệ số tương quan   21 giá trị độ sâu thực giá trị ước lượng độ sâu sử dụng để đo hiệu suất thuật tốn tái tạo khn mặt 3-D khác 2.4.2.1 So sánh thử nghiệm với FastICA Đối với FastICA, tham số đặt làm giá trị mặc định sử dụng gói chương trình có sẵn Tương tự cICA, ma trận không trộn ban đầu cho (2.25) sử dụng thuật toán FastICA Kết thực nghiệm thu sử dụng cICA FastICA thể Hình 2.6,  Hình So sánh sánh kết hoạt động Fast FastICA ICA cICA cICA mối mối tương tương quan quan Các điểm đánh dấu đại diện cho mối tương quan trung bình đường thẳng  đứng qua điểm đánh dấu thể phạm vi hệ số tương quan tương ứng  Trong điểm đánh dấu biểu thị giá trị trung bình hệ số tương quan thu từ ảnh khuôn mặt đối tượng Khoảng cách điểm đánh dấu điểm cuối dòng thể độ lệch chuẩn hệ số tương quan Phương pháp minh họa độ lệch chuẩn khơng trình bày hình Có thể thấy từ Hình 2.6 phương tiện dựa cICA cao so với phương tiện dựa FastICA cho tất đối tượng Do đó, cICA kết luận có mức độ xác ước lượng độ sâu cao FastICA Ngoài ra, độ lệch chuẩn dựa cICA rõ ràng nhỏ so với độ lệch chuẩn dựa FastICA Điều có nghĩa cICA mạnh mẽ FastICA cho đối tượng khác Do đó, kết luận lại, cICA có hiệu suất ước lượng độ sâu tốt FastICA   22 FastICA astICA có khơng sử dụng ma trận  Hình So sánh hoạt động F khơng trộn ban đầu Hình 2.7 cho thấy hoạt động thuật tốn FastICA có khơng sử dụng ma trận không trộn ban đầu (2.25) Kết cho thấy hai trường hợp biểu diễn tương tự 2.4.2.2 So sánh thử nghiệm với gICA Vì gICA sử dụng để giải vấn đề ICA đầy đủ, đầu vào thuật toán (2.4), thay (2.18) Kết thực nghiệm dựa gICA thuật toán cICA thể Hình  Hình So sánh hiệu suất gICA cICA đối tượng tượng khn mặt  khác   23 Thuật tốn cICA đạt mức trung bình cao độ lệch chuẩn nhỏ so với gICA Do đó, cICA vượt trội gICA Thao tác làm trắng quy trình tiền xử lý hữu ích thuật tốn ICA Các vectơ  ngẫu nhiên cho có màu trắng chúng có giá trị trung bình ma trận hiệp phương sai ma trận đơn vị, nhân với phương sai khơng đổi Tuy hiệu suất cải thiện đầu vào làm trắng, kết thựctác nghiệm trongcóHình chỉhiện suất không thay đổi thao làm trắng được2.9 thực hay hiệu khơng  Hình So sánh hoạt động gICA sử dụng không sử dụng thao tác làm trắng  2.4.2.3 So sánh thử nghiệm với thuật toán SM Trong phương pháp SM, kích thước tổng cộng số lần lặp lại tối đa thuật toán di truyền đặt 800 200  Hình 10 So sánh hiệu suất thuật toán SM cICA   24 Hình 2.10 cho thấy kết thực nghiệm thu cách sử dụng thuật tốn SM cICA Chúng ta thấy phương tiện dựa cICA cao so với phương tiện dựa SM Do đó, cICA có mức độ xác ước lượng độ sâu cao so với SM Ngoài ra, độ lệch chuẩn dựa cICA rõ ràng nhỏ so với độ lệch chuẩn dựa SM Do đó, kết luận cICA xác mạnh mẽ SM LấyvàBài làmlượng ví dụ,tương Bảngứng I cho số ảnh tương quanmặt củakhác giá trị độ sâu thực giátập trị ước chothấy hệ hình khn  bằng cách sử dụng thuật toán FastICA, gICA, SM cICA Có thể thấy thuật tốn cICA đạt hiệu suất giống hình ảnh khuôn mặt khác vượt trội ba thuật tốn cịn lại tương quan trung  bình ( μ) độ lệch chuẩn (σ ) số tương tương quan gia trị độ sâu sâu thực thực giá giá trị ước lượn lượngg thu thu được  Bảng Hệ số với hình ảnh khn mặt người khác cho FastICA, gICA, SM, cICA  PR_D PR_SD PR_SU PR_U YR_RW  FastICA 0,7776 0,7657 0,4807 0,7750 0,7593 0,7117±0,1293 glCA SM 0,6651 0,9312 0,6340 0,2270 0,6001 0,5665 0,5583 0,7540 0,6414 0,6201 0,6198±0,0415 0,6198±0,2608 cICA 0,8822 0,8805 0,8775 0,8758 0,8789 0,8790±0,0025   μ ± σ  2.4.2.4 So sánh thực nghiệm cICA cICAMI: Để đánh giá phương pháp tích hợp mơ hình, cICA_MI sử dụng để ước lượng độ sâu hình ảnh khn mặt cho 30 đối tượng Trong thử nghiệm, người ta thấy hiệu suất thường trở nên ổn định số lần lặp lại tối đa ( N iter ) khoảng 1500 Lấy Đối tượng 1, 6, 11, 16, 21 26 làm ví dụ, đường cong lặp lại tương ứng dựa Phương pháp tích hợp mơ hình mơ tả Hình 2.11  Hình 11 Các đường cong lặp lại Đối tượng 1, 6, 11, 16, 21 26  cách sử dụng mơ hình phương pháp tích hợp   25 Tất kết cho thấy hiệu suất hội tụ trở nên ổn định số lần lặp thực nhiều 1000 nhiều 1500  Hình 12 So sánh hiệu suất thuật tốn cICA cICA_MI Hình 2.12 cho thấy kết thực nghiệm thu sử dụng cICA cICA_MI Trong hầu hết trường hợp, hệ số tương quan thu sử dụng cICA_MI cao giá trị trung bình thu sử dụng cICA kết tốt số đối tượng Do đó, kết luận phương pháp tích hợp mơ hình cải thiện cách hiệu độ xác ước tính chiều sâu phương pháp cICA  Hình 13 Giá trị độ sâu thực giá trị độ sâu ước ước lượng đặc điểm khn mặt có sở liệu Bosphorus   26 Hình 2.13 cho thấy giá trị độ sâu thực giá trị độ sâu ước tính điểm đặc trưng khn mặt thu cách sử dụng cICA_MI Để so sánh, tất giá trị độ sâu hiển thị Hình 2.13 chuẩn hóa thành khoảng [0, 1] Giá trị ước lượng độ sâu  M  z  của 22 điểm đặc trưng chuẩn hóa sau: '   M  z =   M  z − M  z max M  z− minM  z ( 2.27 )  M   là giá trị độ sâu chuẩn hóa  M  z , M  z  max M  z  giá trị độ sâu tối thiểu tối đa Cần lưu ý q trình chuẩn hóa sử dụng để hiển thị giá trị độ sâu  M  z , không sử dụng quy trình ước lượng giá trị độ sâu việc tính tốn hệ số tương quan Có thể thấy từ Hình 2.13 giá trị độ sâu hầu hết điểm đặc trưng khuôn mặt ước lượng xác khơng có thơng tin trước giá trị độ sâu thực sử dụng tồn quy trình ước lượng Hệ số tương quan thu cách sử dụng cICA_MI 0,9124, cao giá trị trung  bình thu phương pháp khác sử dụng hình ảnh khn mặt khơng nhìn trực diện Do đó, mức độ xác ước lượng độ sâu cải thiện cách hiệu cách sử dụng phương pháp tích hợp mơ hình đề xuất có nhiều hình ảnh khn mặt xem trực diện Giá trị ước lượng độ sâu điểm đặc trưng sử dụng ước lượng tư nhận dạng khn mặt Độ xác cao ước lượng tư nhận dạng khn mặt nói chung đạt độ xác cao ước lượng độ sâu Vì phương pháp đề xuất chứng minh có độ xác ước lượng độ sâu cao phương pháp khác, đó, cung cấp ước lượng độ sâu đáng tin cậy để sử dụng ước tính tư nhận dạng khn mặt 2.4.2.5 Mở rộng Hình 2.14 cho thấy hoạt động cICA mơ hình dạng q đầy đủ dạng bình thường, tức là, đầu vào thuật toán cICA q   Q Chúng ta thấy thuật tốn đạt mức độ xác ước lượng độ sâu cao độ lệch chuẩn nhỏ Q được sử dụng làm đầu vào thuật tốn cICA Do đó, việc sử dụng thơng tin bổ sung trước từ mơ hình mặt CANDIDE chung để chuyển đổi vấn đề q mức thành mơ hình ICA bình thường xác nhận hiệu để ước lượng độ sâu '   z  z   27  Hình 14 So sánh hoạt động thuật hình ICA thuật tốn cICA dựa mơ hình q mức bình thường  Hình 15 So sánh hệ số tương tương quan c (MZb, Mzc) c (Mxfn Mz) cho 30 đối tượng Hình 15 cho thấy hệ số tương quan c ( M   zbzb , M   zz ) của giá trị độ sâu thực giá trị ước lượng độ sâu thu thuật toán cICA_MI hệ số tương quan   28 c ( M  zb , M  zc )  giá trị độ sâu thực giá trị độ sâu mơ hình CANDIDE Chúng ta thấy giá trị độ sâu ước lượng gần với giá trị độ sâu thực cho hầu hết đối tượng, so với mơ hình CANDIDE Do đó, phương pháp ước lượng xác giá trị độ sâu ảnh khn mặt Tuy nhiên, nhận thấy có số cải thiện hiệu suất số tốn Điều lý sau Như thể Hình 2.11, hiệu suất  N iter) khoảng 1500 Tuy nhiên, thường trở nên ổn định số lần lặp tối đa ( hiệu suất tối ưu khơng đạt số toán với số lần lặp Hiện tại, chưa có tiêu chí hiệu để thực việc dừng thực sớm Mặt khác, phương pháp tích hợp mơ hình đề xuất tương tự  phương pháp tích hợp mơ hình khác, chẳng hạn phương pháp tích hợp  phân loại Hiệu suất cải thiện đáng kể số điều kiện thỏa mãn, ví dụ: đầu mơ hình khác đa dạng bổ sung cho Trong thuật toán cICA_MI, thống kê bậc nhất, giá trị trung bình, sử dụng để tính tốn thống kê kết thu có nhiều hình ảnh khn mặt khơng nhìn trực diện tương ơng quan thu cách sử dụng thống   Hình 16 So sánh hệ số tư kê bậc khác với phương pháp tích hợp mơ hình cho 30 đối tượng Hình 2.16 cho thấy kết thực nghiệm thống kê bậc khác nhau, cụ thể giá trị trung bình, trung bình, trung bình điều hịa (hmean) trung xét bìnhđộhình họcxác (gmean), dụng tíchHình hợp mơ Xem tínhđược mạnhsửmẽ củavới ướcphương lượng pháp độ sâu, 2.16hình cho   29 thấy phương pháp tích hợp mơ hình đạt hiệu suất tốt giá trị trung bình sử dụng  Hình 17 Hệ số tương 11,16,21 26 thu bằng  tương quan Đối tượng 1,6, 11,16,21 cách sử dụng phương pháp tích hợp mơ hình với số lượng mẫu khác Hình 2.17 cho thấy hệ số tương quan hệ số phản ứng 1,6, 11,16,21 26 thu cách sử dụng phương pháp tích hợp mơ hình với số lượng hình ảnh đào tạo ngày tăng Nói chung, thấy độ xác cải thiện có nhiều hình ảnh đưa vào ước lượng Do đó, thu kết khác cách sử dụng kết hợp khác mẫu khuôn mặt Nếu khơng có giá trị độ sâu thực, khó xác định tiêu chí hiệu để tìm kết hợp tối ưu Trong thử nghiệm, tất mẫu đào tạo có sẵn sử dụng cho thuật toán cICA_MI Cần rằng, để thuận tiện cho việc hiển thị kết quả, 30 đối tượng đầu tiên, thay tất đối tượng hiển thị thí nghiệm Để so sánh kết thống kê tất đối tượng, Bảng 2-2 cho thấy giá trị trung bình ( μ) độ lệch chuẩn (σ ) hệ số tương quan thu năm  phương pháp cho 105 đối tượng riêng biệt Vì giá trị độ sâu mơ hình tham chiếu CANDIDE sử dụng phương pháp đề xuất, nên μ và σ  của c ( M   M  zb , M  zc )  cho tất đối tượng đưa Bảng II để thể mức độ cải thiện Ngoài ra, μ  σ  ở đầu lần lặp, tức là, hệ số tương quan giá trị độ sâu thực giá trị độ sâu tương ứng ước lượng từ tất đưathấy ởtừđây để II điều trahiệu xemsuất hiệutương suất đượcmẫu cải thiệnmột khiđối tiếntượng, hành lặp lại.được Có thể Bảng tự đạt FastIC FastICA, A, gICA SM Vì giá trị độ sâu điểm   30 đặc trưng mơ hình CANDIDE sử dụng FastICA SM, thấy hai phương pháp có hiệu suất tốt chút so với gICA σ  của SM lớn FastICA gICA thuật tốn di truyền (GA) sử dụng SM dao động lớn việc khởi tạo GA ngẫu nhiên Trong thuật tốn cICA, tín hiệu tham chiếu khơng sử dụng việc khởi tạo cấu trúc mặt 3-D để ước lượng, mà triển khai cho hàm mục thực tiêu mơ hình cICA Khicócóđộnhiều tin lượng điều ưu tiên thi, cICA cICA_MI chínhthơng xác ước độkiện sâu cao mạnh so với phương pháp khác Hơn nữa, so với cICA, giá trị trung  bình tăng khoảng 3% cICA_MI Do đó, phương pháp tích hợp mơ hình đề xuất cải thiện độ xác ước lượng độ sâu Ngồi ra, thấy cICA_MI có giá trị trung bình cao c ( M  zb , M  zc ) Do đó, giá trị ước lượng độ sâu gần với giá trị độ sâu thực so với mơ hình CANDIDE Chúng ta thấy hệ số trung bình cICA_MI không lặp lại thấp cICA_MI Do đó, hiệu suất cải thiện cho cICA_MI với nhiều lần lặp Kết luận, phương pháp đề xuấtt ước lượng độ sâu ảnh kh xuấ khnn mặt xác các phương phương  pháp khác rung bình  μ và độ lệch chuẩn σ  thu phương   Bảng 2 Gía trị ttrung  M  zb , M  zc )  của 105 đối tượng   pháp hệ số lương quan c ( M   μ   σ  FastICA glCA SM cICA cICA_MI (K (Không lặ lặp lạ lại) 0,4965 0,4048 0,4920 0,8396 0,8376 0,2251 0,2006 0,2620 0,0631 0,0664 clCA_MI c ( M   M  zb , M  zc ) 0,8708 0,8375 0,0599 0,0549 Hai loại thuật toán phổ biến để ước lượng cấu trúc 3-D thu hút nhiều nhà nghiên cứu: ước lượng độ sâu điểm đặc trưng tái tạo bề mặt 3-D Phương pháp đề xuất thuộc kiểu cũ, sử dụng trực tiếp ước lượng tư nhận dạng khn mặt Sau có giá trị độ sâu điểm đặc trưng liên quan, thiết lập mơ hình mặt 3-D dựa điểm đặc trưng Tư ước lượng thông qua khoảng cách tương tự điểm đặc trưng hình ảnh khn mặt 2-D có liên quan điểm mặtmơ 3-D, xây thamdựng số tưcũng cácchiếu tham tương số cầnứng đượccủa tốimơ ưu hình hóa khn Ngồi ra, hình 3-Dđó được sử dụng để nhận dạng khn mặt Vì số điểm tính   31 chọn sử dụng nhận dạng khuôn mặt, nên dư thừa Tái tạo bề mặt 3-D phương pháp phù hợp để phục hồi cấu trúc 3-D đầy đủ khuôn mặt Giá trị độ sâu điểm lấy trực tiếp từ bề mặt tái tạo 3-D cách sử dụng phương pháp nội suy Sau có bề mặt 3-D, số phương pháp trích xuất đối tượng, chẳng hạn PCA, thường áp dụng đám mây điểm để trích xuất đối tượng Tính trích xuất khndạng mặt.khn Nhìn chung,năng hai phương phápsau nàyđóđều có sử thểdụng đượcđểsửnhận dụngdạng để nhận mặt với quy trình khác Việc khai thác tính khơng cần thiết cấu trúc khơng chuyển động Chúng chọn để xây dựng mơ hình mặt 3-D cho ứng dụng điều kiện thực tế  Như vậy, thuật toán ước lượng độ sâu xác cho hình ảnh khn mặt đề xuất dựa mơ hình cICA Việc sử dụng thơng tin trước từ mơ hình mặt 3-D CANDIDE chuyển đổi tốn khó ban đầu thành mơ hình ICA bình thường, mơ hình chứng minh hiệu xác để tái tạo cấu trúc mặt 3-D dựa nhiều hình ảnh khn mặt Khi có nhiều hình ảnh khn mặt khơng nhìn trực diện, phương  pháp tích hợp mơ hình đề xuất, phương pháp cải thiện hiệu độ xác độ mạnh ước lượng Đối với phương pháp tích hợp mơ hình, giá trị trung bình thống kê xác minh tốt thống kê bậc khác, chẳng hạn giá trị trung bình, trung bình điều hịa trung bình hình học So với FastICA, gICA SM, phương pháp có độ xác ước tính độ sâu cao độ mạnh mẽ tốt Kết thử nghiệm với sở liệu Bosphorus chứng minh tính khả thi xác phương pháp ... Giá trị ước lượng độ sâu điểm đặc trưng sử dụng ước lượng tư nhận dạng khn mặt Độ xác cao ước lượng tư nhận dạng khn mặt nói chung đạt độ xác cao ước lượng độ sâu Vì phương pháp đề xuất chứng minh... đầu vào thuật toán cICA q   Q Chúng ta thấy thuật tốn đạt mức độ xác ước lượng độ sâu cao độ lệch chuẩn nhỏ Q được sử dụng làm đầu vào thuật tốn cICA Do đó, việc sử dụng thơng tin bổ sung trước... trị độ sâu thực giá trị ước lượng độ sâu thu thuật toán cICA_MI hệ số tương quan   28 c ( M  zb , M  zc )  giá trị độ sâu thực giá trị độ sâu mơ hình CANDIDE Chúng ta thấy giá trị độ sâu ước lượng